Visualizzare molte variabili
Quando inizi a considerare più variabili, tracciarle tutte insieme diventa sempre più difficile. Oltre a usare le scale x e y per due variabili numeriche, puoi usare il colore per una terza variabile numerica e il faceting per variabili categoriche. E questo è più o meno il limite prima che i grafici diventino troppo difficili da interpretare. Esistono alcuni tipi di grafici specialistici, come le mappe di calore di correlazione e i grafici a coordinate parallele, che gestiscono più variabili, ma forniscono molte meno informazioni su ciascuna variabile e non sono l’ideale per visualizzare le previsioni di un modello.
Qui spingerai al massimo lo scatter plot mostrando, tutti insieme in un unico grafico, il prezzo della casa, la distanza dalla stazione MRT, il numero di minimarket vicini e l’età della casa.
taiwan_real_estate è disponibile.
Questo esercizio fa parte del corso
Regressione intermedia con statsmodels in Python
Istruzioni dell'esercizio
- Crea una griglia di facet per ciascun
house_age_yearsintaiwan_real_estate. - Usando l’insieme di dati
taiwan_real_estate, disegna uno scatter plot din_conveniencerispetto asqrt_dist_to_mrt_m, colorato in base aprice_twd_msq.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Prepare the grid using taiwan_real_estate, for each house age category, colored by price_twd_msq
grid = ____(data=____,
col=____,
hue=____,
palette="plasma")
# Plot the scatterplots with sqrt_dist_to_mrt_m on the x-axis and n_convenience on the y-axis
grid.map(____,
____,
____)
# Show the plot (brighter colors mean higher prices)
plt.show()